แมชชีนเลิร์นนิงคืออะไรและเป็นหนทางข้างหน้าหรือไม่

ไม่แน่ใจว่าแมชชีนเลิร์นนิงมีที่ในธุรกิจของคุณ รวมถึงวิธีรายงานและเพิ่มประสิทธิภาพการตลาดของคุณหรือไม่ ทีมงาน Distract แบ่งปันความคิดของพวกเขา

เมื่อเทคโนโลยีก้าวหน้าขึ้น การเรียนรู้ของเครื่องก็ฝังแน่นมากขึ้นในชีวิตประจำวันของเรา

ท้ายที่สุด พบว่า 40% ของนักการตลาดเชื่อว่าข้อมูลที่ดีขึ้นจะช่วยปรับปรุงผลลัพธ์ทางการตลาดได้

และเราเข้าใจว่าทำไม

การเข้าถึงข้อมูลที่ดีขึ้นจะช่วยให้คุณมีความมั่นใจมากขึ้นในการตัดสินใจโดยใช้ข้อมูลเป็นหลัก และด้วยแมชชีนเลิร์นนิง คุณสามารถรับคำแนะนำที่เข้าใจง่ายโดยพิจารณาจากประสิทธิภาพของแคมเปญ

ดังนั้นในบล็อกนี้ เราจะสำรวจ:

• การเรียนรู้ของเครื่องคืออะไร?
• ทำไมการตลาดถึงได้ประโยชน์จากการเรียนรู้ของเครื่อง?
• ขั้นตอนที่ต้องเตรียมสำหรับโอกาสในการเรียนรู้ของเครื่อง

เข้าเรื่องกันเลย

การเรียนรู้ของเครื่องคืออะไร?

แมชชีนเลิร์นนิงเป็นรูปแบบหนึ่งของปัญญาประดิษฐ์ที่ช่วยให้แอปพลิเคชันซอฟต์แวร์คาดการณ์ผลลัพธ์ได้ดีขึ้นโดยใช้ข้อมูลในอดีตและการวิเคราะห์

หากคุณทำงานในพื้นที่การตลาดดิจิทัล คุณทราบดีว่าการเรียนรู้ของเครื่องเป็นสิ่งที่หลีกเลี่ยงไม่ได้ และในหลายกรณี อาจนำไปสู่การเพิ่มประสิทธิภาพทางธุรกิจได้อย่างมาก

ตัวอย่างแมชชีนเลิร์นนิงในการตลาด

มีเครื่องมือปัญญาประดิษฐ์ทุกประเภทที่สนับสนุนธุรกิจด้วยการเรียนรู้ของเครื่อง

จากมุมมองทางการตลาด มีซอฟต์แวร์แมชชีนเลิร์นนิงห้าประเภทหลัก:

1. ระบบแนะนำ
2. การกำหนดเป้าหมายตามการคาดการณ์
3. พยากรณ์ LTV
4. การพยากรณ์อัตราการปั่น
5. การรายงานและการวิเคราะห์ข้อมูลขนาดใหญ่

มาดูรายละเอียดกันทีละน้อย

ระบบแนะนำ

นี่คือสิ่งที่เขียนไว้บนกระป๋อง แมชชีนเลิร์นนิงตามคำแนะนำสามารถใช้ข้อมูลประวัติการซื้อเพื่อเสนอผลิตภัณฑ์ให้กับผู้ซื้อที่ผู้ซื้อรายอื่นเช่นพวกเขาได้ซื้อ

ด้วยการเสนอข้อเสนอและคำแนะนำเฉพาะบุคคล ธุรกิจสามารถเพิ่มยอดขายและปรับแต่งการกำหนดเป้าหมายได้

การกำหนดเป้าหมายตามการคาดการณ์

โดยทั่วไป การโฆษณาที่เสียค่าใช้จ่ายจะกำหนดเป้าหมายผู้ใช้โดยพิจารณาจากข้อมูลประชากรหรือกิจกรรมในอดีต

นอกจากนี้ยังมีการกำหนดเป้าหมายเชิงคาดการณ์ ซึ่งคุณสามารถกำหนดเป้าหมายผู้ใช้ที่มีแนวโน้มสูงสุดที่จะซื้อได้

พยากรณ์ LTV

LTV ถูกคำนวณโดยเป็นส่วนหนึ่งของรายงาน ซึ่งหมายถึงเป็นแบบย้อนหลัง ตามหลักการแล้ว ควรคำนวณ LTV ก่อนที่ลูกค้าจะออก และยิ่งไปกว่านั้น จะสามารถคาดการณ์ได้เมื่อลูกค้าประเภทใดประเภทหนึ่งจะพิจารณาเลิกใช้ และใช้สิ่งนั้นเพื่อเริ่มต้นแคมเปญเพื่อให้พวกเขามีส่วนร่วม

นอกจากนี้ยังสามารถใช้เพื่อวัดผลกระทบของแคมเปญการตลาดบน LTV แทนที่จะเป็นเพียงโอกาสในการขายหรือการขาย

การพยากรณ์อัตราการปั่น

คล้ายกับข้างต้น การคาดการณ์อัตราการเลิกใช้งานช่วยให้ธุรกิจสามารถคาดการณ์โอกาสทางการตลาดได้ เพื่อให้ลูกค้าพร้อมสำหรับการทำงานนานขึ้น และเพื่อระบุสาเหตุหลักของการเลิกใช้งานตั้งแต่เนิ่นๆ

การรายงานและการวิเคราะห์ข้อมูลขนาดใหญ่

สุดท้ายแต่ไม่ท้ายสุด การรายงานและการวิเคราะห์ข้อมูลขนาดใหญ่เป็นแนวโน้มสำคัญในอนาคตสำหรับแมชชีนเลิร์นนิงในด้านการตลาด

แม้ว่าเครื่องมืออย่าง Google Analytics จะให้บริการข้อมูลทางการตลาดทั้งหมดแก่คุณในที่เดียว แต่ก็ไม่ได้ให้ข้อมูลเชิงลึกหรือคำแนะนำมากนัก

เราคาดการณ์การเพิ่มขึ้นของซอฟต์แวร์ที่นำเสนอการวิเคราะห์เชิงคาดการณ์เพิ่มเติมจากมุมมองทางการตลาด

ขั้นตอนในการเตรียมตัวสำหรับแมชชีนเลิร์นนิงในการวิเคราะห์การตลาด

ในอดีต นักการตลาดเคยใช้เครื่องมืออย่าง Google Analytics และการรายงานแบบเนทีฟภายในเครื่องมืออย่าง Google Ads และ Facebook Business Manager เพื่อทำความเข้าใจคุณภาพของแคมเปญการตลาดของตน โดยเฉพาะโฆษณาที่เสียค่าใช้จ่าย

แต่ด้วยความตายของคุกกี้ของบุคคลที่สามและการอัปเดตความเป็นส่วนตัวที่กำลังเกิดขึ้น การวิเคราะห์เมตริกผู้ใช้สำหรับการเพิ่มประสิทธิภาพจึงยากขึ้น

ที่เกี่ยวข้อง: ข้อมูลของบุคคลที่หนึ่งคืออะไรและจะรวบรวมอย่างไร

ด้วยเหตุนี้ แพลตฟอร์มการตลาดจึงเน้นไปที่การเรียนรู้ของเครื่อง โดยนำข้อมูลที่ละเอียดอ่อนออกจากมือของนักการตลาด และบังคับให้พวกเขาเชื่อถือการเพิ่มประสิทธิภาพอัจฉริยะที่แพลตฟอร์มกำลังทำอยู่

แพลตฟอร์มการตลาด เช่น Google และ Facebook ให้คุณเลือกเป้าหมายสำหรับแคมเปญโฆษณาของคุณเพื่อเพิ่มจำนวน Conversion สูงสุด เข้าถึง ROAS เฉพาะ หรือเพียงเพิ่มปริมาณการเข้าชมเว็บไซต์ของคุณ แพลตฟอร์มเหล่านี้อ้างว่าสามารถใช้เมตริกโดยละเอียด (ซึ่งไม่ได้เปิดเผยโดยเฉพาะ) เกี่ยวกับผู้ใช้เพื่อให้บรรลุเป้าหมายเหล่านี้

อย่างไรก็ตาม Google ได้ลดจำนวนข้อความค้นหาของผู้ใช้ที่คุณสามารถดูได้อย่างมาก และด้วยการเปลี่ยนไปใช้ GA4 แทบจะเป็นไปไม่ได้เลยที่จะวิเคราะห์การนำทางของเว็บไซต์ของคุณโดยไม่ต้องมีชุดข้อมูลขนาดใหญ่

ที่เกี่ยวข้อง: ความแตกต่างที่สำคัญระหว่าง Universal Analytics และ GA4

iOS 14 มีผลกระทบสำคัญอีกประการหนึ่งต่อการโฆษณาบน Facebook โดยไม่มีการกำหนดเป้าหมายตามข้อมูลประชากรอีกต่อไปเมื่อดูคอนเวอร์ชั่น

ข้อจำกัดเช่นนี้ทำให้นักการตลาดไม่มีทางเลือกอื่นนอกจากต้องไว้วางใจระบบการเรียนรู้ของเครื่อง

ที่เกี่ยวข้อง: วิธีลดผลกระทบของ iOS 14.5

เหตุใดการตั้งค่า Conversion อย่างถูกต้องจึงสำคัญ

เมื่อคุณมอบความไว้วางใจให้แพลตฟอร์มเหล่านี้เพิ่มประสิทธิภาพแคมเปญของคุณเพื่อให้บรรลุเป้าหมายทางการตลาด สิ่งสำคัญคือต้องตรวจสอบให้แน่ใจว่าข้อมูลที่คุณให้มานั้นถูกต้อง

ตรวจสอบให้แน่ใจว่า Conversion ของคุณได้รับการตั้งค่าอย่างถูกต้องและอยู่ในแพลตฟอร์มของคุณ จะทำให้คุณก้าวไปในทางที่ถูกต้อง และหมายความว่าแพลตฟอร์มกำลังปรับให้เหมาะสมสำหรับสิ่งที่ถูกต้อง หากคุณไม่ได้ให้ข้อมูลที่เกี่ยวข้องแก่แพลตฟอร์ม กระบวนการเรียนรู้ของเครื่องจะใช้เวลานานกว่ามาก มีแนวโน้มว่าจะไม่เห็นประโยชน์ทั้งหมด

ยิ่งคุณให้ข้อมูลสำหรับแมชชีนเลิร์นนิงได้มากเท่าไหร่ ก็ยิ่งดีเท่านั้น การค้นหาความคล้ายคลึงกันอย่างมีนัยสำคัญในกลุ่มผู้ใช้ 10,000 คนจะแม่นยำกว่าในกลุ่ม 100 คน ซึ่งหมายความว่าการเพิ่มประสิทธิภาพอย่างชาญฉลาดโดยพิจารณาจากกลุ่มใหญ่มักจะให้ผลลัพธ์ในเชิงบวก

การเพิ่มประสิทธิภาพสำหรับ Conversion บน Google

Google มีแคมเปญหลายประเภทที่แมชชีนเลิร์นนิงอยู่ในระดับแนวหน้า ใหม่ล่าสุดคือ Performance Max ซึ่งคุณป้อนสินทรัพย์จำนวนหนึ่งและ Google โฆษณาผ่านแพลตฟอร์มต่างๆ ของ Google ในนามของคุณไปยังผู้ใช้ที่ตัดสินใจว่ามีแนวโน้มที่จะนำ Conversion มาให้คุณ

แม้ว่านี่จะเป็นรูปแบบการเรียนรู้ของเครื่องที่รุนแรง แต่คุณไม่จำเป็นต้องลงลึกและไว้วางใจ Google ที่จะทำทุกอย่างให้พ้นจากมือคุณ

กลยุทธ์การเสนอราคาอัตโนมัติเป็นรูปแบบหนึ่งของแมชชีนเลิร์นนิง คุณสามารถควบคุมคำหลักของคุณและคัดลอกได้ในขณะที่อนุญาตให้ Google แสดงโฆษณาเหล่านั้นต่อผู้ที่จะทำ Conversion

การให้ข้อมูลแก่ Google มากที่สุดเท่าที่จะเป็นไปได้จะทำให้คุณอยู่ในที่ที่ดีที่สุดในการนำผู้ใช้ที่ถูกต้องเข้ามา ประโยชน์หลักประการหนึ่งของการใช้แพลตฟอร์มของ Google คือเครื่องมือของ Google ทั้งหมดทำงานร่วมกันได้อย่างราบรื่น ทำให้ตั้งค่าคอนเวอร์ชั่นได้ง่ายโดยใช้ Google Tag Manager, Google Analytics หรือ Google Ads เมื่อเพิ่ม Conversion ลงใน Google Ads แล้ว คุณจะได้รับประโยชน์จากแมชชีนเลิร์นนิงและการเพิ่มประสิทธิภาพอย่างชาญฉลาดในทันที Google จะใช้แมชชีนเลิร์นนิงเพื่อให้บรรลุเป้าหมายโดยขึ้นอยู่กับกลยุทธ์การเสนอราคาของคุณ

เมื่อใช้ Ruler คุณจะนำเข้าการโทรหรือแบบฟอร์มมายัง Google Ads ได้หลายวิธี การเรียกของผู้ปกครองสามารถนำเข้าโดยอัตโนมัติใน Google Analytics เป็นเหตุการณ์ ซึ่งสามารถสร้างเป็นเป้าหมายและนำเข้าสู่ Google Ads ได้

ที่เกี่ยวข้อง: วิธีติดตามการโทรใน Google Analytics

อีกทางหนึ่ง ข้อมูลแบบฟอร์มและการโทรสามารถส่งออกจาก Ruler และอัปโหลดไปยังโฆษณาได้ วิธีนี้จะสำรองข้อมูล Conversion และเชื่อมโยงกับโฆษณาโดยใช้ GCLID Google สามารถใช้ข้อมูลนี้เพื่อกำหนดการตัดสินใจที่ชาญฉลาด

ใช้ประโยชน์สูงสุดจากแพลตฟอร์มโซเชียล

การรับแพลตฟอร์มของบุคคลที่สามเพื่อพูดคุยกับ Facebook และแพลตฟอร์มโซเชียลมีเดียอื่นๆ อาจเป็นเรื่องยาก แนวทางปฏิบัติที่ดีที่สุดสำหรับแพลตฟอร์มโซเชียลในการเพิ่ม UTM ให้กับโฆษณาแต่ละรายการ เพื่อให้สามารถติดตามการดำเนินการบนเว็บไซต์กลับไปยังแคมเปญโซเชียล กลุ่มโฆษณา และโฆษณาเฉพาะได้

ด้วย Ruler คุณสามารถวิเคราะห์ UTM เหล่านี้เพื่อกำหนดจำนวนการเรียกและรูปแบบที่สามารถนำมาประกอบกลับได้

อย่างไรก็ตาม อีกวิธีหนึ่งที่เราสามารถใช้แมชชีนเลิร์นนิงคือการสร้างกลุ่มเป้าหมายที่กำหนดเอง สามารถอัปโหลดผู้ชมไปยังแพลตฟอร์มโซเชียลโดยใช้ตัวระบุ เช่น หมายเลขโทรศัพท์และที่อยู่อีเมล เมื่อทำเช่นนี้ ผู้ชมที่กำหนดเองนี้สามารถกำหนดเป้าหมายสำหรับรีมาร์เก็ตติ้งหรือสำหรับผู้ชมที่คล้ายคลึงกัน กลุ่มเป้าหมายที่คล้ายคลึงกันเหล่านี้คือที่มาของแมชชีนเลิร์นนิง

แพลตฟอร์มโซเชียลจะวิเคราะห์รายการกลุ่มเป้าหมายที่กำหนดเองของคุณและใช้เครื่องหมายหลักเพื่อระบุสิ่งที่ผู้ใช้เหล่านี้มีเหมือนกัน จากนั้นพวกเขาก็สามารถสร้างผู้ชมที่มีลักษณะคล้ายกันโดยพิจารณาจากผู้ใช้เพิ่มเติมที่มีเครื่องหมายหลักเหล่านี้ด้วย ตามทฤษฎีแล้ว กลุ่มเป้าหมายนี้จะคล้ายกับรายการรีมาร์เก็ตติ้งของคุณ ซึ่งหมายความว่าพวกเขามีแนวโน้มที่จะดำเนินการที่คล้ายกัน

ยิ่งคุณสามารถให้ข้อมูลกับแพลตฟอร์มใด ๆ ได้มากเท่าใด การเพิ่มประสิทธิภาพที่ชาญฉลาดก็จะยิ่งดีขึ้นเท่านั้น ขอแนะนำให้มีรายชื่อผู้ใช้มากกว่า 300 รายเมื่อสร้างกลุ่มเป้าหมายที่กำหนดเอง

หากไม่สามารถสร้างรายชื่อผู้ซื้อหรือผู้ที่เคยซื้อในอดีตได้ ให้พิจารณาขั้นตอนก่อนการแปลงหรือขั้นตอนก่อนหน้านั้น การสร้างผู้ชมของผู้ใช้ที่ดำเนินการสำคัญๆ บนไซต์ของคุณเรียบร้อยแล้ว (ไม่ว่าจะเป็นขั้นตอนสุดท้ายในเส้นทาง Conversion ของคุณหรือไม่) ทำให้ผู้ชมที่คล้ายกันมีแนวโน้มที่จะเข้าใกล้ Conversion มากขึ้นเพียงก้าวเดียว มากกว่าผู้ชมใหม่วงกว้าง

ห่อ

การเรียนรู้ของเครื่องไม่สามารถหลีกเลี่ยงได้ในพื้นที่การตลาดดิจิทัล

เป็นเชิงรุกและตั้งค่าผู้ชมและติดตามตอนนี้ ท้ายที่สุด สิ่งเหล่านี้สามารถใช้ในแคมเปญ และแพลตฟอร์มจะมีข้อมูลสำหรับการตัดสินใจอยู่แล้ว

อย่าลืมว่าเครื่องมือระบุแหล่งที่มาเป็นก้าวแรกสู่การเรียนรู้ของเครื่อง ลงทุนในตอนนี้เพื่อเริ่มต้นข้อมูลการตลาดของคุณ

Ruler Analytics เป็นเครื่องมือระบุแหล่งที่มาชั้นนำที่สามารถรวมเข้ากับเครื่องมือทางการตลาดที่สำคัญทั้งหมดของคุณ จองการสาธิตเพื่อเรียนรู้เพิ่มเติม

หรือหากคุณต้องการความช่วยเหลือในการสร้างแคมเปญการตลาดแบบครบวงจร โปรดติดต่อทีม Distract

เกี่ยวกับ Hannah Langton

Hannah เป็นผู้จัดการบัญชีโฆษณาบนเครือข่ายการค้นหาอาวุโสที่ Distract ด้วยประสบการณ์ห้าปี Hannah กำลังมองหาอนาคตของการโฆษณาดิจิทัลและแมชชีนเลิร์นนิง

เกี่ยวกับ Distract  

Distract คือเอเจนซี่โฆษณาและการตลาดดิจิทัลที่สร้างสรรค์ซึ่งตั้งอยู่ในเมืองลินคอล์นในอีสต์มิดแลนด์ Distract ภาคภูมิใจในนวัตกรรมและความคิดสร้างสรรค์ ทำให้ลูกค้าในภาคธุรกิจ B2B และ B2C โดดเด่นกว่าคู่แข่ง

ทีมค้นหาและโซเชียลของ Distract ทำงานอย่างสร้างสรรค์กับลูกค้าเพื่อสร้างแคมเปญที่ส่งโอกาสในการขายและการสอบถามข้อมูลอย่างต่อเนื่อง และเพิ่มการรับรู้ถึงแบรนด์ Distract บรรลุเป้าหมายนี้ด้วยการผสมผสานการสร้างแบรนด์ส่วนบุคคลที่ชัดเจน กลยุทธ์ที่เป็นนวัตกรรม และการใช้องค์ประกอบที่สร้างสรรค์ที่สร้างผ่านการออกแบบ วิดีโอ และโซเชียลมีเดีย